2018年FIFA俄羅斯世界杯正式結(jié)束，法國隊獲得冠軍，克羅地亞和比利時隊分獲二三名。和2014年世界杯一樣，許多研究人員試圖提前預(yù)測結(jié)果一樣，今年也不例外，研究人員和科學(xué)家們試圖利用人工智能(AI)和統(tǒng)計知識來預(yù)測本屆FIFA世界杯64場比賽的結(jié)果。

近來人工智能(AI)的聲勢頗盛，被稱為是未來的技術(shù)。如今，人工智能也正在成為每個大中型企業(yè)不可或缺的一部分，但它的可信度有多高？在這篇文章里為大家展示一個簡單的示例 —— 分析AI在預(yù)測2018年世界杯結(jié)果中的表現(xiàn)。（注：這篇文章中是在最近的幾項研究中選取的，分析的方法和評價標(biāo)準(zhǔn)也是基于原研究進(jìn)行的。）

預(yù)測FIFA世界杯的結(jié)果有許多不同的方法。一種方法是針對團(tuán)隊能力和獲勝概率，通過成對比較來模擬每一場比賽結(jié)果。Zeileis，Leitner和Hornik使用相同的技術(shù)預(yù)測巴西將以 16.6％ 的概率贏得本屆FIFA世界杯的冠軍，其次是德國（15.8％）和西班牙（12.5％）。

瑞士銀行瑞銀（UBS）也預(yù)測了本屆賽事的前 3 名的球隊，他們的結(jié)果是：德國將以 24.0％的概率獲得冠軍，其次是巴西（19.80％）、西班牙（16.1％）。

他們的預(yù)測模型考慮了四個因素，分別是：

Elo評級；

球隊在世界杯預(yù)選賽中的表現(xiàn)；

球隊在往屆世界杯比賽中所取得的成績；

主場優(yōu)勢。

該模型通過10,000次蒙特卡羅模擬進(jìn)行校準(zhǔn)，以得到最終獲勝的概率和最近五次賽事的結(jié)果。

此外，2018年6月8日，來自德國的多特蒙德技術(shù)大學(xué)，慕尼黑技術(shù)大學(xué)和比利時根特大學(xué)的四位研究人員（A. Groll等人）在arXiv上發(fā)表了一篇關(guān)于2018年世界杯冠軍預(yù)測結(jié)果的研究論文。論文中采用著名的人工智能算法——隨機(jī)森林算法和泊松排序算法，并在6月14日世界杯開幕前公開發(fā)表。他們使用的數(shù)據(jù)集是一個涵蓋了過去四屆FIFA世界杯（2002-2014）的所有比賽。他們預(yù)測西班牙將成為冠軍，其次是德國隊和巴西隊。

以上這三項研究預(yù)測的前三名結(jié)果都涉及西班牙，德國和巴西三支隊伍，不同就在于對他們名次先后的順序。他們分別采用了三種不同的預(yù)測方法，數(shù)據(jù)和數(shù)據(jù)特征，但最終產(chǎn)生的結(jié)果幾乎相似?，F(xiàn)在，世界杯結(jié)束了，我們可以來分析下這些預(yù)測失敗的模型。

在這些研究中，將會分析的是 A. Groll等人的研究方案。首先，他們使用了一個很好的數(shù)據(jù)源。其次，他們考慮了許多訓(xùn)練過程中的特征和參數(shù)。隨后，他們采用隨機(jī)森林算法。接下來，我將逐個分析這項研究中所涉及的數(shù)據(jù)特征，誤差以及最終預(yù)測失敗的原因。

數(shù)據(jù)特征

Groll等人考慮了與團(tuán)隊自身相關(guān)的各種特征，比如：

經(jīng)濟(jì)因素（國家人均GDP，人口數(shù)量等）；

運動因素（如ODDSET概率，F(xiàn)IFA排名等）；

主場優(yōu)勢（如主辦方，大陸，聯(lián)邦等）；

團(tuán)隊的組成結(jié)構(gòu)（如隊伍中同一俱樂部隊友的人數(shù)，隊員的平均年齡，參加冠軍聯(lián)賽的球員數(shù)量等）；

團(tuán)隊的教練因素（如教練的年齡，任期，國籍等）。

總的來說，他們總結(jié)了這16個數(shù)據(jù)特征來分析每支世界杯參賽隊。

分類模型

正如之前提到的，他們使用一種眾所周知的算法--隨機(jī)森林算法，該算法的工作原理是基于決策樹，在許多數(shù)據(jù)分類任務(wù)中表現(xiàn)出很高的性能。此外，他們還引入泊松模型，根據(jù)當(dāng)前的實力對各支球隊進(jìn)行排名。

隨機(jī)森林算法預(yù)測的2018年FIFA世界杯比賽結(jié)果

預(yù)測

經(jīng)過了 10 萬次賽事模擬后，他們的算法預(yù)測出西班牙隊有 28.9% 的機(jī)會晉級決賽，其次是德國（26.3％）和巴西隊（21.9％）。

錯誤

但是根據(jù)今年的世界杯結(jié)果來看，預(yù)測的前兩支球隊都未能進(jìn)入四分之一決賽，更不用說決賽（巴西隊進(jìn)入四分之一決賽）。根據(jù)世界杯的實際結(jié)果和預(yù)測，模型的均方根誤差（RMSE）和平均絕對誤差（MAE）計算結(jié)果如下：

這兩個指標(biāo)顯示了模型的錯誤，以及它可以在多大程度上準(zhǔn)確地預(yù)測出最終的團(tuán)隊排名。盡管使用了 16 個特征以及大數(shù)據(jù)集（包含過去四屆世界杯的比賽數(shù)據(jù)），但最終得到的 RMSE和 MAE值都很高，這使得模型缺乏可信度，而基于機(jī)器學(xué)習(xí)的 AI方法（特別是隨機(jī)森林算法）也無法可靠地預(yù)測出結(jié)果。在本屆世界杯，俄羅斯，日本和伊朗的表現(xiàn)明顯好于預(yù)期，另一方面，德國也沒有晉級。

2018年 FIFA世界杯中每支球隊的預(yù)測排名、實際排名及預(yù)測差異結(jié)果（誤差）。

AI為什么失??？

在人工智能和機(jī)器學(xué)習(xí)領(lǐng)域，為模型訓(xùn)練和模型設(shè)計并提供適當(dāng)?shù)臄?shù)據(jù)是非常重要。但在這種情況下，盡管擁有適當(dāng)?shù)臄?shù)據(jù)（16個已清洗的特征），相對較大的數(shù)據(jù)量（過往四屆世界杯的比賽數(shù)據(jù)）以及具有正確參數(shù)的優(yōu)秀算法，但即使這樣訓(xùn)練有素的模型最終仍會失敗。我認(rèn)為這種失敗的原因在于我們所預(yù)測的本質(zhì)。

FIFA世界杯和很多其他以人為本的事件一樣，比賽在賽前和比賽期間（最少90分鐘）有太多的因素（遠(yuǎn)不止是本研究考慮的16個），這些因素被稱為混淆變量。為了能夠正準(zhǔn)確地預(yù)測結(jié)果，每場比賽的每一分鐘都要模擬出來。每分鐘甚至每秒鐘狀態(tài)的結(jié)果都取決先前的狀態(tài)，這種現(xiàn)象也稱為馬爾可夫鏈過程。錯誤的模擬狀態(tài)很容易導(dǎo)致比賽產(chǎn)生不可靠的結(jié)果。

除了內(nèi)部因素外，足球比賽的結(jié)果也可能受到一些外部因素的影響，例如不公平的裁判，天氣，政治情況，甚至球員的個人問題等。而這些重要特征通常很難被衡量和收集。此外，總有一些探索和不確定性的機(jī)會，例如球員的一個致命失誤或進(jìn)球得分，這是不容易預(yù)測的。

簡而言之，像 FIFA世界杯或者一些以人的活動為基礎(chǔ)的領(lǐng)域，具有隨機(jī)和動態(tài)環(huán)境是如今人工智能技術(shù)還無法很好駕馭的領(lǐng)域。這個例子就很好地說明了我們必須非常注意 AI在類似動態(tài)環(huán)境領(lǐng)域的適用性。此外，通過具有非常復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，針對任何的潛在偏差可能非常難以修正我們已經(jīng)訓(xùn)練好的模型。存在的偏差會導(dǎo)致模型只適用于特定的群體決策。而實施這樣的系統(tǒng)也將會對個人和公司產(chǎn)生巨大的問題，因此建議將人工智能應(yīng)用于這種隨機(jī)和動態(tài)環(huán)境時作為補(bǔ)充的決策平臺。